传达数据洞察¶
- V2更新内容
- 更改了读取路径为同个文件夹内直接读取；
- 更新了自己电脑的pandas版本，以可以正常使用dt.day_name()进行数据分析；
- 安装了plotly_express并使用地图相关内容；
- 修改了双变量图的探索；
- 补充了每个图表的标题，结论；
- 更新了PDF文档（1）Report，（2）ReadMe文件
- 感谢审阅的老师！
在本项目中，我选取了《摩拜单车上海用户数据集》，对摩拜单车的用户数据进行了一系列分析和探索，得出了一些关于用户行程和订单的结论。
数据分析部分¶
通过载入文件，对文件进行目测和编程分析，得到数据视觉化中需用到的深层信息
In [1]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sb
%matplotlib inline
import datetime
import plotly_express as px
In [2]:
#根据第一次review的反馈，为了使用dt.day_name()，本次更新了pandas版本为最新版并在自己电脑上进行测试，更新的版本是1.1.1，测试成功
pd.__version__
Out[2]:
In [3]:
#载入文件
df1 = pd.read_csv('mobike_shanghai_sample_updated.csv')
In [4]:
#了解文件内数据的基本信息
df1.info()
In [5]:
#查看是否有重复条目
sum(df1.duplicated())
Out[5]:
分离开始时间
In [6]:
#将start_time转换为时间日期格式，并将月份，日期进行分离，提取出这一天是星期几
df1['start_time'] = pd.to_datetime(df1['start_time'])
In [7]:
df1['start_month']=df1['start_time'].dt.month
In [8]:
df1['start_hour']=df1['start_time'].dt.hour
In [9]:
df1['start_day_of_week']=df1['start_time'].dt.day_name()
分离结束时间，执行与上面相同的操作
In [10]:
df1['end_time'] = pd.to_datetime(df1['end_time'])
In [11]:
df1['end_month']=df1['end_time'].dt.month
In [12]:
df1['end_hour']=df1['end_time'].dt.hour
In [13]:
#检查结果
df1.head()
Out[13]:
计算出每个行程持续的时长
In [14]:
#将end_time与start_time相减，以分钟为单位
df1['duration_min'] = (df1['end_time']-df1['start_time']).dt.seconds/60
In [15]:
#检查结果
df1['duration_min'].head()
Out[15]:
In [16]:
df1['duration_min'].value_counts()
Out[16]:
统计星期几产生的订单最多呢？
In [17]:
#周末（Saturday & Sunday）竟然没有排进前三名
df1.start_day_of_week.value_counts()
Out[17]:
将出发和目的地的经纬度进行拼接，为可视化做准备
In [18]:
df1.start_location_x = df1.start_location_x.astype(str)
In [19]:
df1.start_location_y = df1.start_location_y.astype(str)
In [20]:
df1.end_location_x = df1.end_location_x.astype(str)
In [21]:
df1.end_location_y = df1.end_location_y.astype(str)
In [22]:
df1['start_location'] = df1['start_location_x'].str.cat(df1['start_location_y'],sep=',')
In [23]:
df1['end_location'] = df1['end_location_x'].str.cat(df1['end_location_y'],sep=',')
可视化探索 Part1-单变量探索¶
探索1：本数据集中，星期几产生的订单最多呢？¶
In [24]:
# 计算订单量
plt.title('On Which Day Are Most Orders Issued')
plt.xlabel('Start Day of Week')
plt.ylabel('Orders')
df1.start_day_of_week.value_counts().sort_values().plot(kind='barh');
结论：产生订单最多的是星期三¶
探索2：行程持续时长一般是多少？¶
In [25]:
# 持续时长的探索
plt.title('How Long Will Most Riding Last?')
plt.xlabel('Total Number of User')
plt.ylabel('Length of Riding(min)')
df1.duration_min.value_counts().iloc[0:10].sort_values().plot(kind='barh');
结论：可以看出，7分钟的行程最多，绝大部分骑行集中在5到10分钟之内¶
可视化探索 Part2-双变量探索¶
探索3：一个星期里的某一天中是否存在某个时长的行程比较突出，不同于其他日子的情况？¶
In [26]:
#因为上面统计中，大部分行程都在10分钟以内，所以这里稍稍扩大范围，取到30分钟来制作小提琴图进行观察
df_short_duration = df1[df1['duration_min']<30]
In [27]:
#使用小提琴图探索星期几和行程时长之间的关系
sb.violinplot(data=df_short_duration,x='start_day_of_week',y='duration_min',color=sb.color_palette()[0]);
plt.title('Relationship of Duration and the Week of Day');
plt.xlabel('Start Day of Week')
plt.ylabel('The Duration of Riding (min)')
Out[27]:
结论：不存在这种情况，每天的行程时间都是类似的，集中在5至10分钟之内¶
可视化探索 Part3-多变量探索¶
探索4：对于坐标的探索：主要的出发地集中在哪里呢？¶
根据第一版审阅反馈，尝试使用了plotly_express（第一次接触px感觉好神奇，顺便又复习了一下group()和size()，啊，要学的还有太多了）
In [28]:
# 计算每个 start location 的数量，并合并到原数据集中（又学会了一个计算数量的方法）
df_count = df1.groupby(['start_location']).size().rename('start_location_count').reset_index()
df1 = df1.merge(df_count,on='start_location',how='left')
In [29]:
df1.head()
Out[29]:
In [35]:
# 设定地图的中心坐标(这里试着运行了这段代码，发现做出这2个地图后页面有点卡顿)
center = {'lat':31.25, 'lon':121.4}
# 绘制气泡图
px.scatter_mapbox(df1, lat='start_location_y', lon='start_location_x', zoom=10, center = center, size='start_location_count', opacity=0.1, mapbox_style='open-street-map')
In [31]:
# 绘制热图
px.density_mapbox(df1, lat='start_location_y', lon='start_location_x', z='start_location_count', radius=10, center=center, zoom=10, mapbox_style="open-street-map")
结论：出发点从地图上看，主要集中在东经121.5度，北纬31.2度这一带，在上海市杨浦区较为密集，主要分布在杨浦，黄埔，静安区等，浦东很少，且呈放射状向西北和西南方向分布。¶
In [ ]: